pytorch-deep-learning_CN

使用 PyTorch 进行深度学习

欢迎访问 零基础到精通：使用PyTorch进行深度学习课程, 互联网上学习 Pytorch 第二好的地方(第一是 PyTorch 文档).

零基础到精通：使用PyTorch进行深度学习课程封面照片展示了课程的主要内容

本页主要内容

课程材料/结构 {#课程材料/结构}

小节 它涵盖了什么？ 练习和课外阅读 幻灯片
00 - Pytorch 基础 许多用于深度学习和神经网络的基本pytorch操作。 访问习题与课外阅读 查看幻灯片
01 - PyTorch 工作流 提供了解决深度学习问题并使用Pytorch建立神经网络的大纲。 访问习题与课外阅读 查看幻灯片
02 - PyTorch 神经网络分类 使用 01 - PyTorch 工作流 进行神经网络分类问题。 访问习题与课外阅读 查看幻灯片
03 - PyTorch 计算机视觉 让我们看看如何使用01和02的相同工作流程将Pytorch用于计算机视觉问题。 访问习题与课外阅读 查看幻灯片
04 - PyTorch 自定义数据集 如何将自定义数据集加载到Pytorch中？另外，我们将在笔记本中为我们的模块化代码（05小节）奠定基础。 访问习题与课外阅读 查看幻灯片
05 - PyTorch 模块化 Pytorch为模块化设计，让我们将创建的内容转换为一系列Python脚本（这就是您经常能找到的 Pytorch代码的组织方式）。 访问习题与课外阅读 查看幻灯片
06 - PyTorch 转移学习 让我们选择一个表现出色的预训练模型并通过调整来解决我们自己的问题。 访问习题与课外阅读 查看幻灯片
07 - 里程碑项目1：Pytorch实验跟踪 我们已经建立了一堆模型…跟踪它们的进展不是很好吗？ 访问习题与课外阅读 查看幻灯片
08 - 里程碑项目2：Pytorch论文复制 Pytorch是用于机器学习研究的最流行的深度学习框架，让我们通过复制机器学习论文来了解原因。 访问习题与课外阅读 查看幻灯片
09 - 里程碑项目3：模型部署 我们已经建立了一个工作的pytorch模型…我们如何将其送至他人手中？提示：将其部署到Internet。 访问习题与课外阅读 查看幻灯片
PyTorch 额外的资源 本课程涵盖了大量的Pytorch和深度学习，但是机器学习的领域很广泛，在这里您会找到推荐的书籍和资源：Pytorch and Deep Learning，ML Engineering，NLP（自然语言处理），时间序列数据，在哪里找到数据集等等。 - -
PyTorch 备忘录 非常快速的浏览Pytorch的一些主要功能以及指向各种资源的链接，在课程中和Pytorch文档中可以找到更多资源。 - -
简明 Pytorch 2.0 教程 一个超简介的 Pytorch 2.0 的简介，有什么是新特性以及如何使用资开始学习的更多信息。 - -

进展

所有材料完成，并发布在 Zero to Mastery!

请参阅项目页面以获取进行中的工作的公告 - https://github.com/users/mrdbourke/projects/1

查看 日志 获取每天都有的更新。

关于本课程

这门课程适合谁？

您： 是机器学习或深度学习领域的初学者，想学习Pytorch。

本课程： 教您以动手为代码优先的方式教您和许多机器学习概念。

如果您已经在机器学习方面拥有1年+经验，那么本课程可能会有所帮助，但此课程专门设计为对初学者友好。

有什么先决条件？

  1. 3-6个月 Python 经验。 2.至少一个初学者的机器学习课程（但是，这可能可以跳过，资源会通过许多不同的主题链接在一起）。 3.使用Jupyter笔记本或Google Colab的经验（尽管您可以在课程中逐渐学习）。 4.学习的意愿（最重要）。

对于1和2，我推荐 零基础到精通：数据科学和机器学习训练营, 它将教您机器学习和Python的基础知识（可能会有偏爱，因为那也是我的课程）。

课程如何进行？

所有课程材料均可通过在线书籍免费获得 learnpytorch.io. 如果您想阅读，我建议您浏览其中的资源。

如果您希望通过视频学习，那么该课程也会以学徒风格的格式教授，这意味着：我写 Pytorch代码，您写Pytorch代码。

课程座右铭包含如下表述是有原因的： 如有疑问，请运行代码 and 实验，实验，实验！.

我的整个目标是帮助您做一件事情：通过编写Pytorch代码来学习机器学习。

代码全部通过 Google Colab Notebooks (您也可以使用Jupyter笔记本), 令人难以置信的免费资源，可以尝试机器学习。

如果我完成课程，我会得到什么？

如果您浏览完视频，则有证书和爵士乐。

但是证书是嗯。

您可以考虑本课程的机器学习方向的构建器。

最后，您将编写数百行Pytorch代码。

并将了解机器学习中许多最重要的概念。

因此，当您构建自己的机器学习项目或检查使用Pytorch的公共机器学习项目时，会感到熟悉，如果不熟悉，至少您会知道从哪里看。

我将在课程中建造什么？

我们从Pytorch和机器学习的准基础开始，因此，即使您不熟悉机器学习，您也会跟上进度。

然后我们将探索更高级的领域，包括 PyTorch 神经网络分类、PyTorch 工作流、计算机视觉、自定义数据集、实验跟踪、模型部署，以及我个人最喜欢的：迁移学习，这是一种利用机器学习模型的强大技术 - 将另一个问题中训练的模型应用到您自己的问题中！

在此过程中，您将围绕一个名为 FoodVision 的项目构建三个里程碑项目，FoodVision 是一个用于对食物图像进行分类的神经网络计算机视觉模型。

这些里程碑项目将帮助您练习使用 PyTorch 来涵盖重要的机器学习概念，并创建一个可以向雇主展示的作品集。

我如何开始？

您可以在任何设备上阅读材料，但是最好在桌面浏览器中查看和编写代码。

该课程使用称为Google Colab的免费工具。如果您没有经验，我建议学习免费的Google Colab教程简介 然后回到这里。

开始：

1.单击上面的笔记本或部分链接之一，例如“ 00. pytorch基本原理”。 2.单击顶部的“打开Colab”按钮。 3.按 Shift+Enter 几次，看看会发生什么。

我的问题没有回答

可新开一个 讨论 或直接给我发送电子邮件：Daniel（at）Mrdbourke（DOT）com。

日志

几乎每天都会更新发生的事情。

This site is open source. Improve this page.